基于神经网络和支持向量机的故障诊断

介绍了神经网络和支持向量机理论,对比分析两种理论的优缺点.通过试验,说明了神经网络和支持向量机在故障诊断中的应用方法,并通过改变学习样本数量,比较两种智能技术在故障诊断中的运用情况,验证了支持向量机在小样本情况下比神经网络具有更强的泛化能力.     

基于改进粒子群算法优化SVM的变压器故障诊断

为提高变压器的运行可靠性,提出一种基于核主成分分析（kernel principal component analysis,KPCA）和改进粒子群优化（improved particle swarm optimization,IPSO）算法优化支持向量机（support vector machines, SVM）参数的变压器故障诊断方法。首先建立变压器状态评估的基础指标体系,并采用KPCA对基础指标进行关键参量的提取,得到降维后的评价指标,然后将其输入SVM训练诊断模型,最后采用IPSO对SVM进行参数优化。仿真结果表明,该方法对变压器故障诊断的准确率达到95.42%,相比KPCA-PSO-SVM以及KPCA-SVM诊断模型,准确率有显著提升。     

变压器故障诊断的神经网络法

利用人工神经网络方法对变压器的故障诊断进行探索，对比了用不同激励函数的神经网络的收敛性能，建立了故障诊断的神经网络模型，并对故障实例进行了诊断，计算结果证明了这种方法的可行性和有效性。     

基于改进粗糙集理论与概率神经网络的变压器故障诊断研究

提出了一种基于改进粗糙集理论与概率神经网络的变压器故障综合诊断方法.利用了粗糙集理论的决策表约简技术,去除冗余信息,并引入可辨识矩阵,更加快速地去除故障冗余属性,减小了约简过程的复杂度.将得到的最小决策表作为改进的概率神经网络的训练样本,提高了PNN的训练速度和诊断的准确率.实例证明,该模型不仅能在信息不完备的情况下进行有效诊断,而且可以提高诊断速率及正判率.     

基于循环神经网络的目标转弯机动类型识别

对战斗机等空中目标机动类型进行识别是掌握其战术意图的重要依据。为了更好地识别对方战机的机动类型,提升作战能力,本文主要研究空中高速运动目标（如战斗机）的机动类型识别,针对传统的机动类型识别算法的识别准确率不高的问题,将循环神经网络运用在机动类型的识别上,利用Bi-LSTM、LSTM、RNN和GRU循环神经网络识别转弯机动类型。实验结果表明,循环神经网络能够高效识别目标的转弯机动类型,Bi-LSTM的识别准确率达到了98.85%。     

模拟电路故障诊断的神经网络模型研究

对一类较典型的模拟电路进行了神经网络的研究和建模,分别建立了基于反向传播BP网络、径向基函数RBF网络和支持向量机SVM的故障诊断模型,分析和比较了3类模型在电路故障中的不同性能,并提出不同模型在诊断过程中对应不同故障诊断策略的观点.结果表明:SVM模型的诊断精度较高,在处理不确定信号时SVM和RBF模型表现为视低策略,而BP模型表现为视高策略,这为实际电路故障诊断模型的选择提供了一定的研究依据.     

基于RBF神经网络和自适应遗传算法的变压器故障诊断

由于变压器故障征兆与故障类型之间具有复杂的非线性关系,采用传统的BP神经网络诊断方法存在收敛速度慢、准确率低和自适应能力差等缺点.针对以上问题,提出了一种基于自适应遗传算法的RBF神经网络故障诊断方法,建立了以变压器的故障特征参数为输入、以主要故障类型为输出的故障诊断模型;将自适应遗传算法和RBF神经网络有机地结合起来,利用自适应遗传算法对RBF神经网络的基函数宽度和中心进行优化,将优化后的RBF神经网络应用于变压器故障诊断.仿真结果表明,该诊断模型加快了网络收敛速度,改善了RBF神经网络的泛化能力,提高了故障诊断正确率,具有良好的实用性.     

BP神经网络在变压器故障诊断中的应用

介绍了电力变压器内部常见的故障,采用BP神经网络算法建立了变压器的神经网络故障诊断模型,通过与传统的IEC三比值法相比较,表明基于BP网络的诊断方法达到了较好的故障识别与分类,诊断准确率也有显著的提高,在变电设备故障诊断中具有良好的应用前景.     

基于粗糙集与RBF-BP复合神经网络的变压器故障诊断

变压器的安全问题是电力系统稳定运行的关键因素.将BP神经网络稳定的优点与RBF网络收敛迅速的特点相结合,同时使用粗糙集对数据进行处理,进一步提高诊断的准确率.提出了新的变压器故障诊断方法,即基于粗糙集与RBF-BP复合神经网络算法,构建出该模型并且进行仿真实验.实验结果表明:该模型达到预期效果,准确率高,收敛速度快.     

基于混沌粒子群优化支持向量机的变压器故障诊断

为了提高电力变压器故障诊断的准确性,也要克服人工神经网络(ANN)中存在的收敛速度慢、容易陷入局部极值等缺陷,提出一种混沌的粒子群优化支持向量机的变压器诊断方法,该方法不仅具有很强的全局搜索能力,而且适用于支持向量机(SVM)参数优化,提高算法的鲁棒性.首先利用混沌的粒子群算法优化支持向量机的参数,把气体的特征参数代入优化的支持向量机分类模型中进行诊断,能够准确地分类变压器故障,从而达到故障诊断的目的.实验结果与常规方法比较,该方法能简单有效,诊断速度快,诊断正确率高.     

基于改进Elman神经网络的变压器故障诊断方法

针对变压器故障诊断困难的问题,提出了一种基于改进Elman神经网络的变压器故障诊断方法.利用核主成分分析算法对Elman神经网络进行改进,通过引入累积贡献率计算得到改进Elman神经网络最优输入特征参数,基于数据集和测试集将改进Elman神经网络应用于变压器的常见故障诊断中,并将试验结果与其他故障诊断方法的诊断结果进行对比.结果表明,所提方法诊断准确率超过90%,与支持向量机和BP神经网络诊断方法相比,该方法的诊断准确率更高.     

基于模糊域和支持向量机的故障诊断方法

将模糊域分布和支持向量机相结合，提出了一种故障诊断的新方法，该方法将模糊域分布中的局部能量作为特征输入到支持向量机的多故障分类器进行故障识别．利用模糊域分布可以很好地刻画信号的时频局部化特征，与时一频平面特征提取相比，又可大大降低数据维数．对于不同类型的核函数分布，将其诊断结果进行比较，试验结果表明，基于模糊域的支持向量机故障分类无需核函数滤波就能取得最好的分类效果．     

基于改进PSO-BP神经网络的变压器故障诊断

引入动态变异操作来优化粒子群算法,同时将改进的粒子群优化算法和误差反向传播的算法相结合,构成混合算法,用于训练人工神经网络,并将该混合算法应用于变压器的故障诊断.仿真结果表明,该算法具有较快的收敛速度和较高的计算精度;诊断结果表明,该算法有利于提高变压器故障诊断的正确率.     

深广神经网络在变压器故障诊断中的应用

针对现有的变压器故障诊断方法无法同时实现对历史数据的记忆能力和对未知数据的泛化能力,且很少考虑故障特征之间交互对诊断结果的影响,提出一种基于深广神经网络的变压器故障诊断方法.在具有记忆能力的广义线性模型中加入离散特征的交叉特征,同时使用具有泛化能力的深度神经网络来捕捉连续特征之间的高阶交互,用联合训练的方法对二者进行参数优化.用优化后的模型处理变压器的油中溶解气体分析(DGA)数据,做出故障诊断,并将实验结果与采用支持向量机、逻辑回归、BP神经网络得到的结果进行对比,证明了所提算法对DGA数据的处理更优,且诊断结果准确率更高.     

Elman神经网络在变压器故障诊断中的应用

变压器是电力系统中的枢纽设备之一,其运行情况将直接影响电力系统的安全运行。传统的变压器故障诊断方法不仅判断变压器中存在的故障的准确率低,而且对综合性故障也无法准确判断。应用E lm an神经网络进行变压器故障诊断,极大的提高了诊断准确率,提高电力系统运行可靠性。     

基于决策树支持向量机模型的变压器故障诊断法

根据对变压器常见故障原因和危害程度的分析,构造了电力变压器故障诊断决策树。其判定级别为自上而下,而决策树的每一叶都对应着一种具体的故障模式,并选用不同的支持向量机单元模块作为决策树不同分支中的基本分类器,建立组合支持向量机模型,实现了对故障的多分辨识别,该方法提高了故障分析及预测的准确度。应用结果表明该系统模型是富有成效的。     

基于核极限学习机的模拟电路故障诊断研究

核函数极限学习机有效地避免了极限学习机(ELM)模型固有的随机性和支持向量机(SVM)模型求解的复杂性,而且具有更快的学习速度和更好的泛化性能。因此,提出了基于核极限学习机的模拟电路故障诊断新方法,描述了电路故障特征的选取过程,建立了以核极限学习机为基础的模拟电路故障诊断模型。实验结果表明,该方法故障诊断准确率大于99%,性能优于支持向量机和极限学习机。     

基于模糊理论与支持向量机的变压器故障诊断方法

摘 要:针对变压器结构的复杂性和故障机理的多样性,提出一种基于模糊理论和支持向量机的变压器故障诊断方法.该方法首先采用模糊理论对故障样本数据进行预处理,提取故障特征,再用支持向量机方法进行故障分类,通过采用一对多(1-α-r)的方法实现多目标分类,得出诊断结果.针对支持向量机参数不易确定的问题,采用多层动态自适应算法...     

基于改进果蝇算法优化PNN的变压器故障诊断研究

为了提高电力变压器故障诊断准确率,通过分析变压器油中溶解气体数据,提出了一种定向变步长的果蝇算法(DVSFOA)与概率神经网络(PNN)相结合的变压器故障诊断模型。由于PNN的参数平滑因子对输出结果影响较大,对果蝇算法位置公式进行更新调整,对平滑因子进行参数寻优,将优化结果赋值给PNN模型进行网络训练,得到了用于变压器故障诊断的最佳网络模型。实验结果表明,该组合算法具有较高的诊断精度,收敛速度快,整体性能高。